Logistic模型的极大似然估计的中期报告.docx

Logistic模型的极大似然估计的中期报告
首先，我们需要了解什么是logistic模型和极大似然估计。
logistic模型是一种常用于分类问题的模型，它使用sigmoid函数将输入$x$映射到区间$(0,1)$上，表示$x$属于正样本的概率。logistic模型的参数需要通过训练来获得，通常使用极大似然估计。
极大似然估计是一种常用的概率统计方法，它的基本思想是利用已有的样本信息，来估计某个未知参数的最大可能值，使得给定参数下样本出现的概率达到最大。在logistic模型中，我们希望找到最优的参数值，使得给定数据集下的样本出现的概率最大。
接下来，我们将介绍我们的工作进展。
首先，我们建立了针对logistic模型的数学模型，包括求解对数似然函数和参数偏导数的公式。另外，我们还编写了针对logistic回归模型的Python代码，利用随机梯度下降算法来进行参数优化，以最大化对数似然函数。
然后，我们基于UCI的鸢尾花数据集进行了实验。我们随机划分数据集，70%用于训练，30%用于测试。我们比较了使用不同的学习率和最大迭代次数对模型性能的影响。实验表明，在这个数据集上，我们的模型能够达到较好的分类准确率。
目前，我们的研究还在继续。我们将进行更多的实验，包括使用其他数据集以及尝试更高级的优化算法等。